3. AI训练数据的版权风险

训练数据的版权风险，本质上是把“数据从哪来”“怎么用”“能不能证明”三件事串成一条证据链。对生成式AI项目而言，风险并不只发生在模型输出阶段，而是在数据采集、清洗、切分、训练、微调、评测和再发布的每一步都可能累积。理解这条链路，才能判断何时需要授权、何时可以主张例外、何时必须替换数据源。

一、来源合法性：先看“权利链条”是否闭合

训练数据来源大致分为五类：公开网页抓取、自有或授权数据、开源数据集、用户上传内容、以及通过API或商业采购获得的数据。每一类的合法性判断重点不同：公开可访问不等于可自由训练；开源数据集的许可证可能只覆盖“数据集本身”，不覆盖其中每一条作品的版权；用户上传内容需要平台协议与用户授权双重支撑；商业采购则要核对授权范围是否包含“用于机器学习训练”和“是否允许再分发”。

实务中建议建立“数据来源台账”，至少记录：数据名称、获取方式、获取时间、原始URL或供应方、许可证类型、是否含个人数据、是否含第三方版权内容、授权期限、可否商用、可否再分发。台账不是形式主义，而是在诉讼或监管问询中证明“已尽合理注意义务”的关键材料。

二、复制权与合理使用抗辩：训练阶段是否构成复制

模型训练通常需要将作品下载、解析、分词、向量化并存入训练管线，这一过程在技术上必然产生复制。争议焦点在于：这种复制是否属于版权法意义上的“复制行为”，以及能否被合理使用、文本与数据挖掘例外等抗辩覆盖。

以美国法为例，合理使用四要素包括：使用目的与性质、原作性质、使用部分的数量与实质性、以及对原作潜在市场或价值的影响。训练数据量大、目的具有转换性，通常有利于被告；但若数据来源明显侵权、输出能复现原作表达、或对原作市场形成替代，则抗辩空间收窄。欧盟则通过《数字化单一市场版权指令》第3、4条引入文本与数据挖掘例外：科研机构和文化机构可依第3条进行非商业性挖掘；第4条允许一般主体进行TDM，但权利人可通过机器可读方式保留权利，即“选择退出”。这意味着“未声明保留”不等于“永久免费”，而是需要持续监测权利声明变化。

三、典型诉讼：Getty Images诉Stability AI的启示

Getty Images诉Stability AI案是训练数据版权风险的标志性案件。Getty主张Stability在训练Stable Diffusion时未经授权复制了其数百万张带水印图片，并指出模型输出中可能出现Getty水印或近似构图，构成版权侵权、商标侵权及不正当竞争。该案的核心争点包括：训练复制是否构成侵权、输出是否构成实质性相似、以及水印作为来源标识是否被不当利用。

无论最终判决如何，该案已经给出三点实务警示：第一，带水印、带元数据、带版权管理信息的图片被直接抓取，会显著提高侵权认定风险；第二，模型输出若复现训练数据中的独特表达或标识，可能同时触发版权与商标问题；第三，数据来源的“可追溯性”在诉讼中至关重要，无法说明数据来源的一方往往处于被动。

四、风险缓释：把合规动作嵌入训练管线

风险缓释不能停留在制度层面，而要嵌入数据管线。以下是一套可执行的检查清单，建议在每次训练任务启动前逐项确认：

• 来源核验：对每个数据源确认许可证是否覆盖“机器学习训练”和“商业使用”；对网页抓取数据，检查robots.txt、服务条款及是否声明TDM保留。
• 权利声明扫描：对图片、文本、音频分别提取版权管理信息、水印、作者署名和许可标识；发现“All rights reserved”或TDM opt-out标记时，默认排除或单独申请授权。
• 去重与记忆化检测：训练前对高频重复样本降权；训练后对模型进行记忆化测试，检查是否能逐字复现训练样本中的长片段。
• 输出相似度拦截：在推理服务前增加相似度检索层，对生成内容与训练数据中的受保护作品进行比对，超过阈值时拒绝输出或替换。
• 版本化留痕：保存每次训练的数据快照、清洗规则、过滤日志和评估报告，确保在争议发生时能还原“当时用了什么、怎么处理、依据是什么”。

最后需要强调，训练数据合规不是一次性审查，而是持续监测。权利人的TDM保留声明、许可证版本、平台条款都可能变化，模型迭代时若沿用旧数据快照，必须重新核验。把“来源可查、复制可控、抗辩可证、输出可拦”作为四条底线，才能在推进模型能力的同时，把版权风险控制在可管理范围内。